如果我已经用决策树得出玻璃各个化学成分含量对应的分类规律，那么为什么要用Fisher LDA 对未知类别的样本进行类别预测，而不继续用决策树？

决策树是一种非常有效的分类算法，它可以基于多个特征对数据进行划分，并形成一颗树状结构。然而，当决策树的深度较大时，可能会出现过拟合问题，导致对新数据的预测性能较差。

Fisher LDA（线性判别分析）是一种经典的线性分类算法，它可以通过最大化不同类别之间的距离和最小化类别内部的方差来确定一个合适的投影方向，从而将不同类别的样本区分开来。相比于决策树，Fisher LDA在处理高维数据时具有更好的鲁棒性和分类性能，尤其是在样本数量较少的情况下。

因此，如果你已经用决策树得出玻璃各个化学成分含量对应的分类规律，并想对未知类别的样本进行分类预测，你可以考虑使用Fisher LDA。Fisher LDA可以基于已有的训练数据来学习一个分类模型，并将其应用于新的未知样本，从而实现高准确率的分类预测。